《织》功能设计
文档状态：草案（Draft） 创建日期：2026-03-09 适用模块：
fredica_pyutil_server、composeApp、shared、fredica-webui关联计划：workflow-design.md、llm-call-design.md
1. 产品概述
“Wir weben, wir weben!”
—— 《Die schlesischen Weber》
1.1 背景与愿景
现代学习者面临信息过载、注意力碎片化、知识体系难以构建的困境。传统学习工具要么过于简单（如单词卡），要么过于复杂（如专业笔记软件），难以兼顾沉浸式体验与系统性知识构建。
知境旨在打造一款全自动、无感知 的AI学习助手，让用户只需“思考”和“浏览”，而AI在后台默默完成知识整理、关联、复习安排。通过极简的UI和强大的知识图谱引擎，将碎片化学习与系统性构建无缝融合，帮助用户进入“心流”状态。
1.2 核心价值
- 沉浸式碎片学习：通过概念瀑布流，让用户像刷短视频一样轻松吸收知识点。
- 自动知识体系构建：AI从视频、文档中自动抽取概念、关系，构建个人知识图谱，无需手动整理。
- 智能复习与路径规划：基于遗忘曲线和目标导向，自动推送复习卡片和学习路径。
- 上下文不丢失：跳转视频片段时，通过上下文UI保持用户方位感。
2. 用户画像
- 核心用户：18-30岁学生、自学者，日常通过B站、YouTube等平台学习，但常因开小差、注意力分散而效率低下。
- 用户痛点：
- 看完视频就忘，无法形成体系。
- 想复习却找不到重点。
- 笔记杂乱，整理耗时。
- 面对大量内容不知从何下手。
- 用户目标：用最少的时间、最少的操作，掌握最多的知识，并获得掌控感和成就感。
3. 核心概念
3.1 知识图谱（KG）
- 概念节点：知识的最小单元，包含名称、类型、定义、元数据、掌握度等。
- 关系边：概念之间的语义联系（如“包含”、“依赖”、“用于”），可附带置信度、来源。
- 来源：每个概念和关系可关联到原始视频/文档片段，支持追溯。
3.2 概念类型（可扩展）
| 类型 | 说明 | 元数据示例 |
|---|---|---|
| 理论 | 基本原理、定律 | 公式、推导 |
| 术语 | 专业名词 | 全称、语境 |
| 硬件经验 | 硬件实践心得 | 适用器件、注意事项 |
| 开发经验 | 编程技巧、坑点 | 代码示例、解决方案 |
| 方法技巧 | 通用方法 | 步骤、适用场景 |
| 工具软件 | 开发工具 | 版本、配置 |
| 器件芯片 | 硬件型号 | 厂商、参数 |
| 协议 | 通信规范 | 时序图、寄存器 |
| 公式 | 数学表达式 | 变量说明 |
| 设计模式 | 软件模式 | 示例代码 |
3.3 视频内容提取
每个课程视频自动提取以下内容：
- 概念与关系：用于图谱构建。
- 时间戳摘要：分段摘要，每个摘要关联概念。
- 闪卡：自动生成的问答卡片，用于间隔复习。
- 附件资料：代码、手册、链接等。
- 巩固测验：选择题/填空题，检验理解。
- 思维导图大纲：视频结构概览。
- 常见问题（FAQ）：从弹幕/评论挖掘。
- 实践任务：动手练习建议。
- 讨论线索：关联社区讨论。
- 学习路径线索：前置/后置知识推荐。
4. 功能模块
4.1 概念瀑布流（主界面）
- 卡片式上下滑动：每个卡片展示一个概念，包含名称、简短定义、掌握度进度条、相关概念标签。
- 预览按钮：点击播放该概念的精华视频片段（15秒/30秒/60秒可选），无需跳转。
- 交互：
- 点击卡片中部 → 进入概念详情页。
- 点击底部标签 → 跳转到对应概念卡片。
- 长按卡片 → 进入连线模式（手动建立关联）。
- 其他 → 收藏、稍后提醒。
4.2 概念详情页
- 视频片段区：横向滑动切换不同来源的视频片段，点击播放。
- 定义与元数据：AI生成的简短定义及类型特定信息。
- 附件资料：下载/预览代码、手册等。
- 关系图谱缩略图：显示当前概念及其邻居，点击进入全屏图谱。
- 我的笔记：用户可添加文字/语音笔记，AI自动关联。
- 社区讨论：显示相关讨论，可参与。
4.3 全屏知识图谱
- 力导向图布局：节点可拖拽、缩放，点击节点聚焦。
- 边类型视觉编码：实线/虚线/颜色表示不同关系。
- 路径模式：输入目标后高亮从当前状态到目标的最优路径。
- 快速连线：双击节点进入连线模式，拖拽到另一节点建立关系。
4.4 视频播放器与上下文保持
- 进度条知识点标记：圆点表示概念位置，当前概念高亮。
- 顶部横幅：显示当前概念名称及前后概念，点击跳转。
- 迷你时间轴：横向缩略时间轴，显示知识点分布，可滑动跳转。
- 前情提要/后续预览：点击查看前后知识点的精华片段或要点。
- “60秒预览”按钮：点击弹出预览窗口，展示接下来60秒的摘要视频和要点列表，支持跳转。
4.5 学习路径与目标
- 目标设定：用户可输入学习目标（如“掌握PWM输出”）。
- 路径生成：系统基于知识图谱和用户掌握度，自动生成学习路径，展示每一步概念及进度。
- 路径模式视图：以列表或图谱形式展示，推荐下一步行动。
4.6 复习与推送
- 间隔重复算法：基于遗忘曲线，在锁屏/通知栏推送复习卡片。
- 每日复习流：瀑布流顶部展示待复习概念，用户可快速刷卡。
4.7 手动关联工具
- 卡片连线模式：长按卡片进入连线，拖拽到另一卡片，选择关系类型。
- 图谱视图快速连线：点击节点“关联”按钮，再点另一节点，选择关系。
- 批量关联：编辑模式下勾选多个卡片，AI推荐可能关系，用户一键确认。
5. 用户界面设计
5.1 设计原则
- 极简：隐藏复杂性，只呈现当前需要的信息。
- 一致手势：上下滑动切换卡片，左右滑动返回/收藏，点击进入详情。
- 深色模式为主：减少视觉疲劳，高亮色柔和。
5.2 核心界面布局
瀑布流卡片
┌─────────────────────────────────────┐
│ 🔵 术语 · 难度★★ │
│ GPIO │
│ 通用输入输出引脚 │
│ ⚡ 掌握度 60% [=====-----] │
│ ▶ 预览15秒 │
│ 🔗 推挽输出 · 开漏输出 · 上拉 │
└─────────────────────────────────────┘视频播放器上下文栏
┌─────────────────────────────────────────────┐
│ 📍 GPIO (2/15) ← 定时器基础 | 推挽输出 → │
│ [迷你时间轴] ███▓▓▓▓░░░░░░░░ │
│ ⏪ 前情 [ ▶ 60秒预览 ] ⏩ 后续 │
└─────────────────────────────────────────────┘预览窗口
┌─────────────────────────────────────────────┐
│ ⏱️ 接下来60秒 · 可拖拽进度条 │
│ 🎬 [精华摘要视频] ▶ 播放 │
│ 📋 要点： │
│ • 预分频器公式 00:05 │
│ • 代码配置示例 00:20 ★ │
│ • 常见错误 00:45 │
│ ⏪ 前60秒 [⏺️ 关闭] ⏩ 后60秒 │
└─────────────────────────────────────────────┘6. 数据模型（UML类图）
7. 技术实现要点
7.1 AI能力
- ASR：
- 如果平台视频已经有字幕功能，则直接下载。
- 如果缺少字幕，则启动 faster-whisper/第三方api（飞浆语音识别（支持专业术语热词）...）。
- NER/关系抽取：微调BERT模型，从转录文本中抽取概念和关系。
- 多模态分析：OCR识别PPT文字、代码截图；关键帧提取图表；30秒切片内容识别；
- 摘要生成：基于抽取式或生成式模型，为视频片段生成文字摘要。
- 精华片段提取：识别重点。
- 遗忘曲线模型：个性化调整复习间隔。
7.2 存储
- SQLite：轻量级本地存储，支持JSON字段和索引。主要表：concepts, aliases, relations, sources, mastery。
- 向量索引：FAISS（或者其他的库……）用于相似概念检索。
7.3 前端
- 图谱可视化：d3.js 实现。
- 视频播放器：支持 B站、YouTube（通过下载功能） 和本地文件，集成时间戳跳转。
7.4 后端
- 主要存储于内置的 sqlite
- 图数据存储于:
- JVM 端内嵌 neo4j。
- Android 端暂不实现。后期寄希望于远程查询PC端的 neo4j。
8. 典型用户场景
- 早晨锁屏：收到复习卡片“GPIO的两种输出模式？”，点击进入瀑布流，刷3个概念。
- 午休：对“预分频器”感兴趣，点击预览15秒片段，觉得有用，左滑进入详情，观看完整视频片段并添加笔记。
- 下午：设定目标“PWM输出”，系统生成路径，按推荐学习“定时器基础”并完成练习。
- 晚上：查看学习周报，看到本周掌握了15个概念，获得成就感。
9. 未来展望
- 社区共建：用户可分享自己的知识图谱片段，形成“概念集市”。
- 多模态输入：支持文章、PDF、代码仓库自动导入。
- AR/VR集成：在三维空间中展示知识图谱，沉浸式探索。
- 教师端：讲师可上传视频并预标注知识点，提升提取质量。
10. 结语
《织布》不仅仅是又一个学习App，它试图重新定义人与知识的关系：让学习回归思考本身，而所有机械的整理、复习工作交给AI。通过极简的UI和强大的后台，我们希望每个用户都能在碎片化时代，重新获得对知识体系的掌控感和心流体验。